Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Hiperparameter Deteksi Objek
<a name="object-detection-api-config"></a>

Dalam [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)permintaan, Anda menentukan algoritma pelatihan yang ingin Anda gunakan. Anda juga dapat menentukan hiperparameter spesifik algoritme yang digunakan untuk membantu memperkirakan parameter model dari kumpulan data pelatihan. Tabel berikut mencantumkan hyperparameters yang disediakan oleh Amazon SageMaker AI untuk melatih algoritma deteksi objek. Untuk informasi selengkapnya tentang cara kerja pelatihan objek, lihat[Bagaimana Deteksi Objek Bekerja](algo-object-detection-tech-notes.md).


| Nama Parameter | Deskripsi | 
| --- | --- | 
| num\$1classes |  Jumlah kelas output. Parameter ini mendefinisikan dimensi output jaringan dan biasanya diatur ke jumlah kelas dalam dataset. **Diperlukan** Nilai yang valid: bilangan bulat positif  | 
| num\$1training\$1samples |  Jumlah contoh pelatihan dalam dataset input.  Jika ada ketidakcocokan antara nilai ini dan jumlah sampel dalam set pelatihan, maka perilaku `lr_scheduler_step` parameter akan tidak ditentukan dan akurasi pelatihan terdistribusi dapat terpengaruh.  **Diperlukan** Nilai yang valid: bilangan bulat positif  | 
| base\$1network |  Arsitektur jaringan dasar untuk digunakan. **Opsional** Nilai yang valid: 'vgg-16' atau 'resnet-50' Nilai default: 'vgg-16'  | 
| early\$1stopping |  `True`untuk menggunakan logika penghentian awal selama pelatihan. `False`tidak menggunakannya. **Opsional** Nilai yang valid: `True` or `False` Nilai default: `False`  | 
| early\$1stopping\$1min\$1epochs |  Jumlah minimum epoch yang harus dijalankan sebelum logika penghentian awal dapat dipanggil. Ini hanya digunakan ketika `early_stopping` =`True`. **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: 10  | 
| early\$1stopping\$1patience |  Jumlah zaman untuk menunggu sebelum mengakhiri pelatihan jika tidak ada perbaikan, seperti yang didefinisikan oleh `early_stopping_tolerance` hyperparameter, dibuat dalam metrik yang relevan. Ini hanya digunakan ketika `early_stopping` =`True`. **Opsional** Nilai yang valid: bilangan bulat positif Nilai default: 5  | 
| early\$1stopping\$1tolerance |  Nilai toleransi yang harus dilampaui oleh peningkatan relatif`validation:mAP`, presisi rata-rata rata-rata (MAP), untuk menghindari penghentian dini. Jika rasio perubahan MAP dibagi dengan MAP terbaik sebelumnya lebih kecil dari `early_stopping_tolerance` nilai yang ditetapkan, penghentian awal menganggap bahwa tidak ada perbaikan. Ini hanya digunakan ketika `early_stopping` =`True`. **Opsional** Nilai yang valid: 0 ≤ float ≤ 1 Nilai default: 0.0  | 
| image\$1shape |  Ukuran gambar untuk gambar input. Kami mengubah skala gambar input ke gambar persegi dengan ukuran ini. Kami merekomendasikan menggunakan 300 dan 512 untuk kinerja yang lebih baik. **Opsional** Nilai yang valid: bilangan bulat positif ≥300 Default: 300  | 
| epochs |  Jumlah zaman pelatihan.  **Opsional** Nilai yang valid: bilangan bulat positif Bawaan: 30  | 
| freeze\$1layer\$1pattern |  Ekspresi reguler (regex) untuk membekukan lapisan di jaringan dasar. Misalnya, jika kita menetapkan `freeze_layer_pattern` =`"^(conv1_\|conv2_).*"`, maka setiap lapisan dengan nama yang berisi `"conv1_"` atau `"conv2_"` dibekukan, yang berarti bahwa bobot untuk lapisan ini tidak diperbarui selama pelatihan. [Nama layer dapat ditemukan di file simbol jaringan [vgg16-symbol.json dan resnet-50-symbol.json](http://data.mxnet.io/models/imagenet/vgg/vgg16-symbol.json ).](http://data.mxnet.io/models/imagenet/resnet/50-layers/resnet-50-symbol.json) Membekukan lapisan berarti bobotnya tidak dapat dimodifikasi lebih lanjut. Ini dapat mengurangi waktu pelatihan secara signifikan dengan imbalan kerugian akurasi yang sederhana. Teknik ini biasanya digunakan dalam pembelajaran transfer di mana lapisan bawah di jaringan dasar tidak perlu dilatih ulang. **Opsional** Nilai yang valid: string Default: Tidak ada lapisan beku.  | 
| kv\$1store |  Mode sinkronisasi pembaruan berat yang digunakan untuk pelatihan terdistribusi. Bobot dapat diperbarui baik secara sinkron atau asinkron di seluruh mesin. Pembaruan sinkron biasanya memberikan akurasi yang lebih baik daripada pembaruan asinkron tetapi bisa lebih lambat. Lihat MXNet tutorial [Pelatihan Terdistribusi](https://mxnet.apache.org/api/faq/distributed_training) untuk detailnya.  Parameter ini tidak berlaku untuk pelatihan mesin tunggal.  **Opsional** Nilai yang valid: `'dist_sync'` atau `'dist_async'` [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/object-detection-api-config.html) Default: -  | 
| label\$1width |  Lebar label force padding digunakan untuk menyinkronkan seluruh data pelatihan dan validasi. Misalnya, jika satu gambar dalam data berisi paling banyak 10 objek, dan anotasi setiap objek ditentukan dengan 5 angka, [class\$1id, left, top, width, height], maka `label_width` seharusnya tidak lebih kecil dari (10\$15\$1panjang informasi header). Panjang informasi header biasanya 2. Kami merekomendasikan menggunakan sedikit lebih besar `label_width` untuk pelatihan, seperti 60 untuk contoh ini. **Opsional** Nilai valid: Bilangan bulat positif cukup besar untuk mengakomodasi panjang informasi anotasi terbesar dalam data. Standar: 350  | 
| learning\$1rate |  Tingkat pembelajaran awal. **Opsional** Nilai yang valid: float in (0, 1] Standar: 0,001  | 
| lr\$1scheduler\$1factor |  Rasio untuk mengurangi tingkat pembelajaran. Digunakan bersama dengan `lr_scheduler_step` parameter yang didefinisikan sebagai `lr_new` = `lr_old` \$1`lr_scheduler_factor`. **Opsional** Nilai yang valid: float in (0, 1) Default: 0.1  | 
| lr\$1scheduler\$1step |  Zaman di mana untuk mengurangi tingkat pembelajaran. Tingkat pembelajaran dikurangi `lr_scheduler_factor` pada zaman yang tercantum dalam string yang dibatasi koma: “epoch1, epoch2,...”. Misalnya, jika nilainya disetel ke “10, 20" dan `lr_scheduler_factor` disetel ke 1/2, maka tingkat pembelajaran dikurangi setengahnya setelah zaman ke-10 dan kemudian dibelah dua lagi setelah zaman ke-20. **Opsional** Nilai yang valid: string Default: string kosong  | 
| mini\$1batch\$1size |  Ukuran batch untuk pelatihan. Dalam pengaturan multi-gpu mesin tunggal, setiap GPU `mini_batch_size` menangani/melatih sampel. `num_gpu` Untuk pelatihan multi-mesin dalam `dist_sync` mode, ukuran batch sebenarnya `mini_batch_size` adalah\$1 jumlah mesin. Yang besar `mini_batch_size` biasanya mengarah ke pelatihan yang lebih cepat, tetapi dapat menyebabkan masalah memori. Penggunaan memori terkait dengan`mini_batch_size`,`image_shape`, dan `base_network` arsitektur. Misalnya, pada satu instance p3.2xlarge, kesalahan terbesar `mini_batch_size` tanpa out of memory adalah 32 dengan base\$1network disetel ke “resnet-50" dan 300. `image_shape` Dengan contoh yang sama, Anda dapat menggunakan 64 sebagai `mini_batch_size` dengan jaringan dasar `vgg-16` dan 300. `image_shape` **Opsional** Nilai yang valid: bilangan bulat positif Default: 32  | 
| momentum |  Momentum untuk`sgd`. Diabaikan untuk pengoptimal lainnya. **Opsional** Nilai yang valid: float in (0, 1] Default: 0.9  | 
| nms\$1threshold |  Ambang batas penekanan non-maksimum. **Opsional** Nilai yang valid: float in (0, 1] Default: 0.45  | 
| optimizer |  Jenis pengoptimal. Untuk detail tentang nilai pengoptimal, lihat [MXNetAPI](https://mxnet.apache.org/api/python/docs/api/). **Opsional** Nilai yang valid: ['sgd', 'adam', 'rmsprop', 'adadelta'] Default: 'sgd'  | 
| overlap\$1threshold |  Ambang batas evaluasi tumpang tindih. **Opsional** Nilai yang valid: float in (0, 1] Default: 0,5  | 
| use\$1pretrained\$1model |  Menunjukkan apakah akan menggunakan model pra-terlatih untuk pelatihan. Jika disetel ke 1, maka model pra-terlatih dengan arsitektur yang sesuai dimuat dan digunakan untuk pelatihan. Jika tidak, jaringan dilatih dari awal. **Opsional** Nilai yang valid: 0 atau 1 Default: 1  | 
| weight\$1decay |  Koefisien peluruhan berat untuk `sgd` dan`rmsprop`. Diabaikan untuk pengoptimal lainnya. **Opsional** Nilai yang valid: float in (0, 1) Default: 0,0005  |